基于形状模型引导随机森林的对比超声心动图序列全心肌自动分割
计算机视觉与模式识别
2018-06-21 v1
摘要
心肌超声造影（MCE）是一种评估左心室功能与心肌灌注以检测冠状动脉疾病的成像技术。MCE 灌注的自动量化具有挑战性，且需要从含噪且时变的影像中准确分割心肌。随机森林（RF）已成功应用于许多医学图像分割任务。然而，逐像素 RF 分类器忽略了各像素标签输出间的上下文关系。仅利用局部表观特征的 RF 也易受强度变化大的数据影响。本文展示了如何通过提出一种用于全周期二维 MCE 数据心肌分割的全自动流水线来克服经典 RF 的上述局限。具体而言，统计形状模型用于提供形状先验信息，并以两种方式引导 RF 分割：首先，将一种新颖的形状模型（SM）特征融入 RF 框架以生成更精确的 RF 概率图；其次，将形状模型拟合至 RF 概率图，以细化并最终约束分割为合理的形状。我们进一步引入边界框检测算法作为分割流水线的预处理步骤以提升性能。我们将二维图像上的方法扩展至 2D+t 序列，确保结果序列分割的时间一致性。在临床 MCE 数据上的评估表明，所提方法在分割精度上取得显著提升，并优于其他最先进方法，包括经典 RF 及其变体、主动形状模型与图像配准。
引用
@article{arxiv.1806.07497,
title = {Fully Automatic Myocardial Segmentation of Contrast Echocardiography Sequence Using Random Forests Guided by Shape Model},
author = {Yuanwei Li and Chin Pang Ho and Matthieu Toulemonde and Navtej Chahal and Roxy Senior and Meng-Xing Tang},
journal= {arXiv preprint arXiv:1806.07497},
year = {2018}
}
备注
11 pages, 9 figures, published in TMI